دوره Power BI به‌صورت پروژه محور

• ماژول یک: Power BI برای تمیز و تبدیل کنندگان داده (Data Transformation, M query Language)
• ماژول دو: Power BI برای مدل‌سازی داده و  تحلیلگران داده (DAX)
• ماژول سه: Power BI برای پدیدآورندگان داشبورد
• ماژول چهار: پیاده‌سازی سناریوها و داشبوردهای کاربردی و جذاب 
• ماژول پنجم: Power BI برای دانشمندان داده

این دوره Power BI  برای توسعه دهندگان داده یا ترانسفورماتور داده طراحی شده است که داده‌های خام از یک یا چند منبع داده را می‌گیرند و می‌خواهند برای مدل‌سازی و تجزیه و تحلیل بیشتر آماده کنند. در این آموزش، شما با استفاده از Power Query روش‌های تبدیل اطلاعات دقیق Power BI را خواهید آموخت.

در پایین‌ترین سطح شما یاد خواهید گرفت که دادها را از منابع مختلف واکشی کنید؛ همچنین انواع حالت تمیز کردن اطلاعات را یاد خواهید گرفت مانند Pivot ،Unpivot،Change Data Type، Merge،Split ،Fuzzy Matching کار خواهید کرد؛ دوره Power BI با زبان M Query Language کار خواهد شد؛ پس از این دوره، شما قادر خواهید بود هر گونه تغییرات داده‌ها را از طریق Power Query در Excel یا Power BI را انجام دهید و می‌توانید از طریق داده‌های خام خود کار کنید و آن را برای مدل‌سازی و تجزیه و تحلیل آماده کنید.

یکی از شاخصه‌های این جلسات، خواندن صفحات سایت آمازون، نوشتن تابع‌های سفارشی با زبان M ، ایجاد حلقه با تابع می‌باشد.

در این ماژول شما نحوه طراحی بهترین مدل را در پاور بی آی با روابط، با توجه به قالب‌بندی و انواع داده‌ها خواهید آموخت. شما در مورد DAX که زبان بیان مدل‌سازی داده‌ها در Power BI (Tabular SSAS و Power Pivot) است، آشنا خواهید شد. شما از محاسبات ساده DAX به عبارات پیچیده و محاسبات برای حل چالش‌های واقعی در راه حل BI را فرا خواهید گرفت.

در پایان این یادگیری از نرم افزار Power BI، شما قادر به طراحی مدل مناسب داده‌ها در Power BI خواهید بود، تمام نیازهای روابط را درک خواهید کرد و روابط درست را اجرا می‌کنید، عبارات پیچیده DAX را برای نیازهای تجزیه و تحلیل خودتان می‌نویسید و همه آنها را برای ساختن بهترین مدل ایجاد می‌کنید.

شاخصه‌های کلیدی این ماژول مثال‌های کاربردی از توابع DAX:

۱- پیاده‌سازی توابع Time Intelligence با تاریخ شمسی (پیاده‌سازی با DAX)
۲- Aggregation Functions
۳- Date and Time Functions
۴- Time Intelligence Functions
۵- Filter Functions
۶- Relationship Functions
۷- Statistical Functions
۸- Table Functions
۹- Text Functions
۱۰- Statistical Functions
۱۱- Parent Child Functions

در این ماژول پاور بی آی شما نحوه طراحی داشبورد، استفاده از نمودارهای مختلف، ایجاد سطح دسترسی بر روی داشبورد، بارگذاری داشبورد در سطح وب را یاد خواهیم گرفت .

شاخصه‌های کلیدی این ماژول:

1- Power BI Report Server
2- Security

• •    Security Per Sheet
  •   Row Level Security

3- Charts

• •   نمودارهای مقایسه‌ای COMPARISON
  •   نمودارهای تغییر در طول زمان CHANGE OVER TIME
  •   نمودار جز به کل PART-TO-WHOLE 
  •   نمودارهای جریان FLOW
  •   نمودارهای رتبه‌بندی RANKING
  •   نمودارهای جغرافیایی SPATIAL
  •   نمودارهای توزیع DISTRIBUTION
  •   نمودارهای همبستگی CORRELATION
  •   نمودارهای تکی SINGLE

4- آموزش کامل تبدیل هر فایل عکس به SVG برای استفاده در Synoptic Panel

مزیت داشتن، به ما این پیام را می‌رساند که آیا در محورهای مختلف توانسته‌ایم اهداف فروش را محقق نماییم. این داشبورد شاخص‌های سود ناخالص، حاشیه سود ناخالص، هزینه جذب مشتری و میانگین درآمد به ازای هر کاربر را نمایش می‌دهد همچنین مقادیر این شاخص‌ها در بازه گذشته به همراه رشدی که داشته است، نمایش داده می‌شود. از لحاظ گرافیکی هم طراحی فیلترها به صورت Popup و ایجاد تب از شاخصه‌های اصلی آن می‌باشد.

•    هزینه جذب مشتری در سال جاری / مقدار گذشته / درصد رشد
•    میانگین درآمد به ازای هر کاربر / مقدار گذشته / درصد رشد
•    سود خالص/ مقدار گذشته / درصد رشد
•    حاشیه سود ناخالص/ مقدار گذشته / درصد رشد

در این مثال از یک دیتاست فارسی فروش با تاریخ شمسی استفاده شده است.

تا به حال به این موضوعات فکر کرده‌اید:

• با این حجم اطلاعاتی که از مشتریان خود دارید چه کارهایی می‌توانید انجام دهید؟
• چقدر از مشتریان از محصولات شما راضی هستند؟
• آیا مشتریان را دسته‌بندی کرده‌اید؟
• چه تعداد مشتری جدید به مجموعه شما اضافه شده است؟
• آیا کمپین فروش موفقیت آمیز بوده است؟

در این داشبورد از پاور بی آی ما محاسبه مشتریان جدید، حجم خرید، میانگین خرید و تازگی خرید مشتریان را بررسی می‌کنیم؛ همچنین شاخص ترویج کنندگان NPS را پیاده‌سازی می‌کنیم. از لحاظ گرافیکی ایجاد نمودار داینامیک و ایجاد فایل نقشه به صورت SVG و بارگذاری در Power Bi شاخص اصلی گرافیکی آن می‌باشند

•    محاسبه کاربران جدید
•    محاسبه مجموع خرید کاربران جدید
•    پیاده سازی شاخص NPS
•     محاسبه میانگین خرید و تازگی خرید مشتری

در این مثال از یک دیتاست فارسی فروش با تاریخ شمسی استفاده شده است.

با پیاده سازی خوشه بندی از طریق RFM  این امکان را به تصمیم گیرندگان می‌دهیم که خوشه‌های (Cluster) خاصی از مشتریان را که دارای رفتار شبیه به هم  هستند و ارتباط بسیار نزدیکی با هم دارند را هدف قرار دهیم تا بتوان میزان بالایی از پاسخگویی را ایجاد کرد تا در انتها میزان وفاداری و ارزش طول عمری مشتری را افزایش داد. در این داشبورد پیاده‌سازی شاخص‌های تازگی خرید Recency، تعداد خرید Frequency  و در انتها مبلغ خرید Monetary برای پیاده سازی RFM استفاده شده است.

•   پیاده‌سازی Recency
•   پیاده‌سازی Frequency
•   پیاده‌سازی Monetary

در این مثال از یک دیتاست فارسی فروش با تاریخ شمسی استفاده شده است.

ارزیابی عملکرد کارمندان در سازمان‌ها برای افزایش بهره‌وری و بهبود نتایج، امری حیاتی است.

• آیا کارمندان حس خوبی به سازمان دارند؟
• آیا از محیط کار، شیوه کار گروهی و … راضی هستند؟
• دلیل خروج پرسنل از سازمان چیست؟
• مدت زمان نگهداری پرسنل در سازمان چگونه است؟

هدف این داشبورد بررسی میزان رضایت سنجی پرسنل می باشد. در این داشبورد از نمودارهای ون دیاگرام، رادار چارت و waffle chart استفاده شده است.

در این مثال از یک دیتاست فارسی رضایت سنجی کارمند استفاده شده است.

برای انجام ارزیابی‌های منابع انسانی باید ابزار مناسبی وجود داشته باشد تا مدیران را جهت تصمیم‌گیری صحیح کمک کند. اگر سازمان برای بررسی و پیگیری داده‌ها ابزار مناسبی مانند داشبورد منابع انسانی نداشته باشد، باتوجه به حجم بالای اطلاعات ذخیره شده، انجام ارزیابی سخت و طاقت فرسا می‌شود.

در این داشبورد که پیاده سازی آن براساس داده‌های حقوق و دستمزد می‌باشد، بررسی رنج حقوق پرداختی پرسنل، میزان پرداختی بر اساس جنسیت، توزیع پراکندگی حقوق و همچنین بررسی حقوق خالص و ناخالص را در حال مشاهده هستیم.

طبقه بندی ABC یک سیستم رتبه بندی برای شناسایی و گروه‌بندی اقلام از نظر میزان مفید بودن آنها برای دستیابی به اهداف تجاری است. تجزیه و تحلیل ABC نشان می‌دهد که موجودی‌های یک سازمان از ارزش یکسانی برخوردار نیستند؛ بنابراین، موجودی به ترتیب اهمیت تخمینی آن‌ها به سه دسته (A، B و C) دسته‌بندی می‌شود.

•   A بسیار مهم (Extremely important)
•   B اهمیت متوسط (Moderately important)
•   C نسبتا بی اهمیت (Relatively unimportant)

طبقه‌ بندی ABC ارتباط نزدیکی با قانون 20/80 دارد، یک معیار تجاری که 80 درصد از نتایج توسط 20 درصد از ورودی‌ها تعیین می‌شود.

تقاضا به عنوان متغیر اصلی برای پیش بینی فروش یا تراکنش‌های بالقوه در آینده ایفای نقش می‌کند. در این سناریو با ایجاد دو پارامتر و از طریق DAX تاثیر قیمت و تقاضا را بر فروش لحاظ کرده‌ایم.

گاهی اوقات احتیاج است انتخاب بعد و همچنین قلم آماری یا شاخص را در اختیار کاربر قرار بدهیم تا خودش تشخیص بدهد می‌خواهد چه قلم آماری را به چه بعدی مشاهده کند؛ در صورتیکه تعداد قلم آماری یا تعداد ابعاد زیاد باشد، این گزینه مناسب خواهد بود. در این مثال بعد، قلم آماری، رنگ، عنوان از طریق DAX به صورت داینامیک پیاده‌سازی شده است.

یکی از مشکلات رایج در نرم افزار Power BI استفاده از تاریخ شمسی در محاسبات است؛ در صورتیکه فیلد تاریخ از جنس میلادی در دیتابیس موجود باشد و اگر بخواهیم محاسبات داشبورد را به را با تاریخ میلادی پیاده‌سازی کنیم، مشکلی در استفاده از توابع تاریخ Date & Time functions یا توابع هوشمند زمان Time Intelligence Functions نخواهیم داشت. در دوره Power BI  مثال‌های زیر با تاریخ شمسی پیاده‌سازی شده است .

•   محاسبه یک قلم آماری در گذشته به طور مثال محاسبه فروش در سال، نیم‌سال، فصل، ماه، روز بر روی ماتریکس با تاریخ شمسی و میلادی
•   محاسبه شاخص موجودی انتهای دوره (ClosingBalanceYear) با تاریخ شمسی و همچنین توابع Time Intelligence  با    تاریخ میلادی
•  محاسبه شاخص رشد ماهانه ، فصلی با تاریخ شمسی / ابعاد تاریخ
•  محاسبه داده تجمعی با تاریخ شمسی و میلادی
•  محاسبه MOM ، YTD و… با تاریخ شمسی

تجزیه و تحلیل نسبت‌های مالی یکی از روش‌های بررسی وضعیت شرکت‌هاست که به بیان روابط بین اقلام موجود در صورت‌های مالی می‌پردازد. تجزیه و تحلیل نسبت‌های مالی، به ما کمک می‌کند تا درک جامع و صحیحی از عملکرد و وضعیت مالی شرکت‌ها بدست بیاوریم؛ در این داشبورد از دوره Power BI  که پیاده‌سازی آن براساس داده‌های مالی است، به بررسی و پیاده سازی انواع نسبت‌های مالی همچون اهرمی، نقدینگی و… پرداخته می‌شود.

در این دوره به صورت کامل کار با ابزار InkScape برای تبدیل هر فایل عکس از Raster به Vector و بارگذاری آن در داخل Power BI یاد داده شده است. یکی از مشکلات پیاده‌سازی داشبوردهای اینفوگرافیک تبدیل تصاویر شماتیک به فرمت قابل قبول در ویژوال Synoptic Panel و استفاده از آن در نرم افزار Power BI می‌باشد.

در دورهPower BI به شیوه‌های مختلف آموزش بارگذاری تصاویر لوکال و نمایش آن در نرم افزار Power BI و مشکل عدم صحیح بارگذاری صحیح تصاویر و برطرف کردن آن نیز یاد داده شده است.

در این ماژول ما نحوه استفاده از پایتون و R در Power BI را یاد می‌گیریم؛ همچنین چندین مثال از مصور سازی اطلاعات و تمیز کردن اطلاعات با کتابخانه‌های پایتون هم‌چون Pandas ،NumPy،seaborn و matplotlib بررسی و پیاده سازی می‌شوند.